基于高光譜成像技術的涌泉蜜桔糖度最優檢測位置

李 斌，萬 霞，劉愛倫，鄒吉平，盧英俊，姚 遲，劉燕德

（華東交通大學 智能機電裝備創新研究院 水果智能光電檢測技術與設備國家與地方聯合工程研究中心,南昌 330013）

1 引言

涌泉蜜桔產于浙江東南沿海地帶，以果肉細嫩、皮薄易剝、無核、甜度高等特點深受人們喜愛，更是有“天下一奇，吃桔帶皮”的美譽。浙江臨海市常年種植蜜桔面積可達20 萬畝，蜜桔年產量近30 萬噸，涌泉作為臨海蜜桔的核心產區，年產量約占其整個市蜜桔總產量的1/4。涌泉蜜桔曾多次獲得省部級優秀獎、浙江省名牌產品和中國名牌產品稱號。隨著物流和電商行業的興起，涌泉蜜桔也被銷往全國各地[1]。近年來，隨著涌泉蜜桔產量的增加以及人們消費水平的逐漸提高，人們對蜜桔的品質方面的要求越來越嚴格。蜜桔含糖量的高低直接影響其口感和價格，因此，糖度是衡量其品質的一個重要指標[2-3]。此外，在對采摘后的蜜桔進行無損檢測和分級時，其糖度也是重要參考指標之一。如何快速、準確和穩定地對其糖度進行檢測和分級是當前蜜桔產業待解決的問題之一。在蜜桔的生長過程中，受生長環境的影響，其不同部位的糖度分布不同，因此在檢測過程中，若不考慮檢測位置則會對蜜桔糖度無損檢測產生較大的影響，導致蜜桔的品質分級不夠準確，所以有必要尋找出蜜桔糖度的最優檢測位置，從而提高蜜桔糖度的無損檢測精度[4-5]。

近年來，高光譜成像技術作為新一代光電檢測技術，它集成像技術與光譜技術兩者于一身，可以同時獲取被檢測對象的光譜和空間信息[6-7]。與其他研究方法相比，利用高光譜成像技術可以更全面、更深入且更具體地了解被檢測對象[8-11]。該技術在農產品品質檢測領域有著很大的潛力，現如今已被廣泛應用于柑橘[12]、蘋果[13]、獼猴桃[14]、葡萄[15]、茶葉[16]等農產品的內部品質檢測。Liu[17]等在赤道部位建立了臍橙可溶性固化物（Soluble Solids Content，SSC）含量的預測模型，其預測集相關系數Rp 為0.90。許麗佳[14]等利用高光譜成像技術對獼猴桃糖度進行無損檢測。選擇獼猴桃赤道位置進行糖度檢測，其最優預測模型的預測集相關系數Rp 為0.839。Yang[18]等采用傳統的破壞性方法，將番茄切塊榨汁后測量其SSC 含量，經過高度和重量兩個生理特征進行補償后的最優SSC 預測模型的Rp 為0.91。以上研究并未考慮糖度檢測位置對模型精度的影響，故所建立模型的精度不高。與此同時，也有部分學者就水果不同部位的糖度預測模型進行了研究。介鄧飛[2]等利用高光譜技術對柑橘花萼、果梗和赤道部位進行檢測，建立了不同部位糖度的預測模型，研究發現花萼部位對應的糖度預測模型效果最好，其預測集相關系數達到0.950。袁琳[19]等利用近紅外反射光譜對網紋瓜的不同部位進行光譜采集，并與對應部位的糖度結合建立了三個局部和全局PLSR 預測模型，研究發現全局模型預測效果最佳，其預測集相關系數Rp 為0.889 5。以上兩位學者均采用PLSR 模型作為預測模型，未進行多種模型對比分析。

考慮到目前針對涌泉蜜桔不同部位的糖度預測模型的研究鮮有報道。本文利用高光譜成像技術對涌泉蜜桔糖度最優檢測位置和最優糖度預測模型進行研究，分別測定蜜桔花萼、赤道、果莖3 個部位的糖度，并結合這3 個部位相應的光譜信息建立其局部糖度預測模型。在此基礎上，將3 個部位的平均光譜與平均糖度信息相結合，建立其全局模型。采用4 種預處理方式（SNV、MSC、Baseline、SG）和兩種建模方法（PLSR、LSSVM），分析比較找出蜜桔不同部位的最佳預處理方式。然后，通過特征波長篩選（CARS、UVE）進一步優化模型，從而提高其預測精度。最后，比較蜜桔各部位優化后的最佳糖度預測模型，找出蜜桔糖度的最優檢測位置和預測模型。該研究結果不僅可以為蜜桔分級處理提供理論依據，而且可以為涌泉蜜桔檢測分級的加工設備研制提供一定的研究基礎。

2 實驗材料與方法

2.1 實驗材料

本研究選用涌泉蜜桔作為實驗樣本，購買于南昌水果市場，所選涌泉蜜桔大小接近，形狀規則且外觀完好。將買來的涌泉蜜桔進行檢查和篩選，選取120 個涌泉蜜桔洗凈并逐個編號，在室溫為20 °C，相對濕度為60%的環境下儲存24 小時后采集蜜桔的光譜數據，避免溫度對結果的影響。蜜桔花萼、赤道和果莖圖像如圖1 所示。

圖1 涌泉蜜桔不同部位圖像Fig.1 Images of different parts of Yongquan honey oranges

2.2 實驗裝置與光譜數據采集

本次實驗裝置為高光譜成像光譜儀，裝置示意圖如圖2 所示。該系統主要由相機（C8484-05G 型，Hamamastu，日本）、光譜儀（ImSpector V10E 型，Specim，芬蘭）、鏡頭、鹵素燈（DECOSTAR51 MR16 型，OSRAM，德國）、位移平臺和計算機組成。本研究采集的光譜波長范圍為390.2～981.3 nm，分辨率為3.3 nm。光譜采集裝置需要提前預熱30 min，在實驗正式開始前，還要對試驗裝置的各項參數進行調整，本次實驗曝光時間設置為6 ms，檢測速度為20 mm/s。每個實驗樣品均需采集花萼、果莖和赤道部位的光譜數據。

圖2 高光譜成像裝置示意圖Fig.2 Schematic diagram of the hyperspectral imaging device

由于高光譜相機存在暗電流和光源亮度分布不均勻現象，導致采集到的蜜桔不同部位的高光譜圖像易受其影響，因此，在對光譜數據進行處理之前，需要對其原始光譜圖像的反射率進行黑白校正。首先將鏡頭遮住，進行掃描，將得到的全黑圖像作為黑色參考圖像，再取下鏡頭遮蓋物，對白色校準板進行掃描得到白色參考圖像。利用兩種參考圖像進行校準，校準公式如下：

式中：Ir為原始光譜圖像；Iw為全白參考光譜圖像；Id為全黑參考光譜圖像；I為校準后的光譜圖像。利用SpectraVIEW 軟件對蜜桔的高光譜圖像進行黑白校正，然后通過ENVI4.5 軟件提取蜜桔不同部位的光譜數據，在蜜桔不同部位選擇一個矩形感興趣區域（ROI），計算出ROI 區域的平均光譜值。

2.3 不同部位糖度的測量

將蜜桔的糖度值作為預測模型的真值，對蜜桔樣本采集光譜后，進行糖度理化指標的測定。通過溫度補償糖度計（型號PAL-1，Atago Co，Tokyo，Japan）測量其糖度值。該儀器的糖度測量范圍為0-53%OBrix。使用前用蒸餾水對糖度計進行零點校正。在蜜桔不同部位上切取果肉進行榨汁，將果汁滴入糖度計中進行測量，每測完一個部位后都要用蒸餾水進行清洗，重復3 次測量取平均值，作為該部位的最終糖度值，取3 個部位糖度值的均值作為全局的糖度值。

2.4 光譜預處理

在采集原始光譜信息時，易受到外界干擾，從而出現隨機噪聲和表面散射等現象，導致提取的光譜數據中存在許多干擾信息，對模型的精度和穩定性有顯著影響[20]。對光譜進行預處理能夠消除這些不利影響，從而提高其信噪比。本研究中采用了SNV、MSC、Baseline 和SG 四種預處理方式，針對蜜桔不同部位的光譜信息挑選出最適合的預處理方式。

2.5 特長波長篩選

由于全光譜波長數據量很大，并且存在著大量的無信息波長，導致數據處理極其緩慢。因此，有必要通過算法提取出最具有代表性的波長，以構建更具穩定性和魯棒性的糖度含量預測模型，并簡化建模過程。本研究采用的波長篩選方式為競爭性自適應重加權算法（CARS）和無信息變量消除法（UVE）。

其中，CARS 算法主要是利用自適應重加權采樣技術和指數衰減函數從構建的PLS（Partial Least Squares）子集模型中選出回歸系數絕對值較大的變量，然后通過交叉驗證選取RMSECV（Root Mean Square Error of Cross Validation）最小的子集中的變量作為特征波長[21-22]。UVE 是一種基于PLS 回歸系數穩定性分析的變量選擇方法。它用于消除無用信息變量或冗余光譜變量[23]。其基本思想是將偏最小二乘回歸系數作為波長重要性的衡量指標。

2.6 預測模型的建立及其評價

利用Kennard-Stone（KS）方法將120 個涌泉蜜桔樣本進行分類，其中校正集為90 個，預測集為30 個。分別建立蜜桔花萼、果莖、赤道和全局的PLSR 和LSSVM 模型。偏最小二乘回歸（PLSR）是一種線性回歸方法。該方法在普通多元回歸的基礎上融合了主成分分析和典型相關的分析方法，可解決變量之間的多重共線性問題[21]。最小二乘支持向量機（LSSVM）是一種非線性回歸算法。該算法解決了經典SVM（Support Vector Machines）中復雜的二次優化問題，計算的復雜程度有所降低。非線性LSSVM 預測模型對光譜和SSC 中可能存在的非線性擾動有較好的魯棒性[20]。模型性能主要是通過建模集相關系數Rc、預測集相關系數Rp、建模集均方根誤差RMSEC 和預測集均方根誤差RMSEP 4 個指標來評價，其中Rp 和Rc 越接近1 且RMSEC 和RMSEP 越小，則表明該模型既精度高又穩定[24]。

3 結果與分析

3.1 涌泉蜜桔不同部位的光譜分析

本研究選擇390.2～981.3 nm 范圍內的光譜進行分析。取蜜桔3 個局部位置光譜的平均值作為其全局光譜。蜜桔赤道、果莖、花萼和全局的原始光譜如圖3（a）（彩圖見期刊電子版）所示。由圖3（a）可以看出所有光譜曲線的變化趨勢十分相似，在650～900 nm 波段范圍內，吸收峰不太明顯，波峰和波谷之間沒有劇烈起伏。為了更加直觀地觀察和比較蜜桔不同部位的光譜信息，計算得到蜜桔不同部位的平均光譜曲線，如圖3（b）（彩圖見期刊電子版）所示。由圖3（b）可知，4 條光譜的光譜強度之間存在明顯差異，赤道位置的反射率高于其他部位。這可能與光的穿透深度和蜜桔內部糖度分布不均勻有關。從蜜桔赤道到花萼再到果莖，果皮厚度依次增大，光的穿透深度逐漸減小。同時這也表明光譜的檢測位置會對光譜值產生影響。這一結論與先前研究者在對哈密瓜、西瓜和蘋果不同部位進行光譜分析時給出的結論一致[20]。

圖3 涌泉蜜桔光譜曲線。（a）不同部位的原始光譜曲線；（b）不同部位的平均光譜曲線Fig.3 Spectral curves of Yongquan honey orange.(a) Original spectral curves of different parts;(b) average spectral curves of different parts

3.2 涌泉蜜桔不同部位的糖度測量結果

120 個涌泉蜜桔樣本不同部位糖度值的分布情況如表1 所示。由表1 可知，花萼、果莖、赤道、全局的糖度平均值分別為15.2、14.2、14.5 和14.6OBrix，標準差分別為1.39、1.52、1.37和1.34OBrix。其中，蜜桔花萼部位糖度值大于果莖和赤道部位的糖度值，果莖部位的糖度值最低，說明蜜桔內部糖度分布是不均勻的。這種現象可能是由于不同部位中各種糖（蔗糖、葡萄糖、果糖）的含量不同導致的[25]。

表1 涌泉蜜桔不同部位的糖度統計分析結果Tab.1 Statistical analysis of the sugar content of different parts of Yongquan honey orange

3.3 涌泉蜜桔不同部位的全變量模型比較

為了比較不同建模方法之間的模型性能，此次研究采用了PLSR 和LSSVM 兩種建模方法分別建立了蜜桔花萼、果莖和赤道部位的局部糖度預測模。為了更進一步評估其局部模型的性能，同時建立一個全局糖度預測模型作為對比。采用SNV、MSC、Baseline 和SG 對光譜進行預處理?；诓煌Ｐ秃皖A處理方法的局部糖度預測模型和全局糖度預測模型的建模效果如表2 和表3 所示。

表2 基于不同預處理方法的涌泉蜜桔糖度檢測PLSR模型比較Tab.2 Comparison of PLSR models for detecting the sugar content of Yongquan honey orange based on different pretreatments

表3 基于不同預處理的涌泉蜜桔糖度LSSVM 模型比較Tab.3 Comparison of LSSVM models for detecting the sugar content of Yongquan honey orange based on different pretreatments

由表2 可知，對于花萼部位模型來說，SGPLSR 模型預測效果更佳，其模型Rp為0.898，RMSEP 為0.436OBrix。對于果莖部位模型來說，預測效果最好的模型是Baseline-PLSR 模型，其預測集相關系數Rp為0.913，RMSEP 為0.468OBrix，與花萼部位的模型相比，其預測效果更好。對于赤道部位，SNV-PLSR 模型的預測效果最好，預測集相關系數Rp為0.936，RMSEP 為0.37OBrix。比較花萼、果莖和赤道的最優PLSR模型可以發現，赤道部位最優模型的Rp最高，預測效果最好。為了更加全面地探索出涌泉蜜桔糖度的最優檢測位置，將蜜桔花萼、果莖和赤道部位的光譜信息取平均值，并與其對應部位的平均糖度相結合，建立其全局模型。從全局PLSR模型分析結果看，經過MSC 預處理后的PLSR模型預測效果最好，其Rp為0.934，RMSEP 為0.435OBrix。其與赤道部位的SNV-PLSR 模型預測集的相關系數相近。表明兩個模型的預測效果差不多。

基于不同預處理方式建立蜜桔不同部位和全局LSSVM 預測模型的預測結果如表3 所示。由表3 可知：對于蜜桔花萼部位，在其LSSVM 模型中，經SG 預處理后的模型最佳，其Rp為0.876，RMSEP 為0.477OBrix；對于蜜桔果莖部位模型來說，經MSC 預處理的LSSVM 模型預測效果最佳，其Rp為0.884，RMSEP 為0.596OBrix；對于蜜桔赤道部位的LSSVM 模型來說，最佳預處理方式為SNV，其最佳糖度預測模型的Rp為0.906，RMSEP 為0.405OBrix。與其他兩個部位最佳預測模型相比，依舊是赤道部位預測模型的預測效果更佳。這可能是因為赤道位置比其他位置的日照時間長且溫度高，使得該部位的糖度比較高。對全局的LSSVM 模型進行分析可知，MSC-LSSVM 模型是最優模型，其Rp為0.946，RMSEP 為0.400OBrix。

3.4 基于涌泉蜜桔不同部位特征變量的模型比較

由于全光譜中存在著大量冗余信息且波長之間存在相互干擾，數據量大導致處理速度緩慢且建模過程復雜。利用算法提取出包含更多有效信息的特征波長，可以降低光譜數據的維數，加快建模速度及提高模型精度。本文選擇的特征波長算法有CARS 和UVE。

3.4.1 CARS 特征波長篩選

以蜜桔果莖部位為例，波長篩選過程和結果見圖4 和圖5（彩圖見期刊電子版）。圖4 為特征波長的選擇流程，設置MC 采樣次數為100。圖4（a）表明隨著采樣次數的增加，選擇波長變量數逐漸減少，減少速度為先快后慢。圖4（b）表明，隨著采樣次數的增加，RMSECV 值先減小后增加,當采樣次數為38 次時，RMSECV 達到最低值；當采樣次數小于38時，RMSECV 值緩慢減小，表明原始光譜中所含的冗余信息被剔除；當采樣次數大于38 次時，RMSECV 值開始上升，則表明光譜中有效特征波長被剔除，模型性能變差。因此，選擇經過38 次采樣得到的變量作為建立果莖部位糖度預測模型的特征變量[26]。根據3.3 的結論，在蜜桔果莖部位模型中，兩種模型最佳預處理方法分別為Baseline 和MSC 預處理，利用CASR 算法對兩種預處理后的光譜數據中的變量進行篩選，篩選后的特征波長位置和數量如圖5 所示。分別篩選出32 和37 個特征變量，分別占全波段的18.9%和21.9%。

圖4 CARS 果莖部位特征波長選擇過程。（a）變量數變化；（b）交叉驗證均方根變化；（c）回歸系數變化Fig.4 Selecting process of the characteristic wavelength of the fruit stem part by CARS.(a) Changes in number of variables;(b) changes in the RMSECV;(c) changes in regression coefficient

圖5 兩種預處理方法基于CARS 算法果莖部位特征波長位置圖。（a）Baseline；（b）MSCFig.5 Location map of the characteristic wavelengths in the fruit stem part based on the CARS algorithm corresponding to the pretreatments (a) Baseline and(b) MSC

利用CARS 算法對蜜桔花萼部位、赤道部位和全局光譜數據進行特征波長篩選，波長篩選過程與果莖部位類似。根據3.3 結論可知，對于花萼部位、赤道部位和全局模型，最佳預處理方式分別為SG、SNV 和MSC。對預處理后的花萼部位光譜、赤道部位光譜和全局光譜分別進行特征波長篩選。篩選出的特征波長位置和數量如圖6 所示。從圖6 可以看出，不同部位對應的特征波長位置和數量均不相同。這表明不同部位糖度的光譜特征信息是不同的。分別篩選出了48、24 和34 個特征變量建立蜜桔糖度預測模型。它們分別占全波段的28.4%、14.2%和20%，大部分特征波長位于650～900 nm 之間。

圖6 各部位基于CARS 算法特征波長位置圖。（a）花萼；（b）赤道；（c）全局Fig.6 Location maps of the characteristic wavelengths based on CARS algorithm.(a) Calyx;(b) equator and (c) global

3.4.2 UVE 特征波長篩選

以果莖部位特征波長篩選過程為例，圖7（彩圖見期刊電子版）為UVE 篩選后的穩定性值圖。圖中藍豎線的左側為169 個原始波長，右側引入相同數量的隨機變量。上下兩條虛線分別代表最大和最小截止閾值。兩截止閾值中間的變量需剔除，兩線之外的變量則為特征變量。果莖部位的兩個最優模型分別為Baseline-PLSR 和MSCLSSVM 模型。利用UVE 算法對果莖部位兩個最優模型中的全變量進行篩選，篩選出的特征波長位置和數量如圖8（彩圖見期刊電子版）所示，由圖8 可知，UVE 算法從果莖部位兩個最佳模型的全變量中分別篩選出了41 個和69 個特征變量，分別占全波段的24.3%和40.8%。

圖7 UVE 篩選后果莖部位的穩定性值圖Fig.7 Stability values of the fruit stem part after UVE screening

圖8 兩種預處理方法下，基于UVE 算法果莖部位特征波長位置圖。（a）Baseline；（b）MSCFig.8 Location maps of characteristic wavelengths in the fruit stem part based on the UVE algorithm corresponding to (a)Baseline and (b) MSC

用同樣的方法分別對蜜桔花萼部位、赤道部位和全局最佳模型中的全變量進行特征波長篩選。篩選后的特征波長位置和數量如圖9（彩圖見期刊電子版）所示。由圖9 可知，利用UVE 算法進行特征波長篩選后，分別篩出了42、58 和29 個特征變量，分別占全波段的24.9%、34.3%和17.2%，大多數波長位于700～950 nm之間。

圖9 基于UVE 算法特征波長位置圖。（a）花萼；（b）赤道；（c）全局Fig.9 Location maps of the characteristic wavelengths of the UVE-based algorithm.(a) Calyx;(b) equator and (c) global

3.5 基于CARS 和UVE 篩選的不同部位特征波長的模型比較

根據3.4.1 中的特征波長篩選結果，分別建立蜜桔花萼、果莖、赤道和全局的PLSR 和LSSVM糖度預測模型，預測效果如表4 所示。由表4可知，進行特征波長篩選后，大部分模型的預測效果都有所提升。對于蜜桔花萼部位模型，SGCARS-PLSR 模型預測效果最佳，其Rp為0.918，RMSEP 為0.400OBrix；對于蜜桔果莖部位模型，Baseline-CARS-PLRS 模型預測效果最好，其Rp為0.922，RMSEP 為0.424OBrix；對于全局模型，其最優模型為MSC-CARS-LSSVM 模型，其Rp為0.955，RMSEP 為0.395OBrix。以上模型經過特征波長篩選后與之前模型相比，預測精度都有所提高。表明CASR 算法剔除了原始光譜中的干擾信息，基于篩選后的特征波長建立的模型預測效果更好。然而，對于蜜桔赤道部位模型在經過特征波長篩選后，其最佳模型為SNV-CARSPLSR 模型，其Rp為0.914，RMSEP 為0.400OBrix，與篩選前的SNV-PLSR 模型比較，其預測精度有所下降，預測集相關系數從0.936 下降到0.914。說明CARS 算法將蜜桔赤道部位光譜數據中跟糖度有關的信息剔除了。

表4 基于CARS 特征波長篩選后蜜桔不同部位的PLSR和LSSVM 模型比較Tab.4 Comparison of PLSR and LSSVM models for different parts of honey oranges after CARS characteristic wavelengths screening

根據3.4.2 中的特征波長篩選結果，分別建立蜜桔花萼、果莖、赤道和全局的PLSR 和LSSVM糖度預測模型，預測結果如表5 所示。從表5 可以看出，對于花萼部位的兩個最優模型來說，篩選后建立的模型精度都有一定程度的下降。這表明UVE 算法去除了與糖度有關的變量。對于果莖部位模型，篩選后的最佳預測模型為MSCUVE-LSSVM 模 型，其Rp為0.896，RMSEP 為0.575OBrix，與其篩選前的MSC-LSSVM 模型相比，預測精度有所上升，但是其PLSR 模型篩選后預測精度有所下降。相比于前面兩個部位的模型，赤道部位和全局的最佳預測模型篩選前后的預測效果相差無幾。表明UVE 算法沒能有效的去除赤道和全局模型中的無效變量。由此可知，UVE 算法并不適合蜜桔糖度預測模型的優化。

表5 基于UVE 特征波長篩選后蜜桔不同部位的PLSR和LSSVM 模型比較Tab.5 Comparison of PLSR and LSSVM models for different parts of honey oranges after UVE characteristic wavelengths screening

綜合比較蜜桔花萼部位、果莖部位、赤道部位和全局的PLSR 模型和LSSVM 模型，對于PLSR模型，預測效果最好的是赤道SNV-PLSR 模型和全局MSC-CARS-PLSR 模型，兩者對比可以發現全局模型預測效果更好。同樣對于LSSVM 模型，最優模型是花萼部位SG-CARS-LSSVM 模型和全局MSC-CARS-LSSVM 模型，對比之下依舊是全局模型預測效果更好。圖10（彩圖見期刊電子版）是兩個全局最優預測模型MSC-CARS-PLSR和MSC-CARS-LSSVM 對涌泉蜜桔糖度含量的預測結果。從圖10 可知，MSC-CARS-LSSVM 模型中樣本點比MSC-CARS-PLSR 模型中樣本點更加均勻和集中分布在擬回歸線周圍，表明全局MSC-CARS-LSSVM 模型的預測效果更佳。綜上所述，基于全局數據建立的非線性糖度預測模型更加穩定且預測更準確。

圖10 涌泉蜜桔糖度含量預測模型（a）MSC-CARS-PLSR和（b）MSC-CARS-LSSVM 的散點圖Fig.10 Scatter plots of the Yongquan honey oranges sugar content prediction models (a) MSC-CARSPLSR and (b) MSC-CARS-LSSVM

4 結論

為了得到涌泉蜜桔糖度最佳檢測位置和最佳糖度預測模型，利用高光譜技術分別采集了涌泉蜜桔花萼、果莖、赤道3 個部位的光譜數據，并分別測定對應部位的糖度，然后，分析比較了蜜桔3 個局部和全局的糖度預測模型。采用4 種預處理方式（SNV、MSC、Baseline、SG）和兩種建模方法（PLSR、LSSVM）進行建模。對比發現蜜桔不同部位所建的預測模型之間有較明顯的差異，花萼部位的最優模型預測性能明顯低于果莖和赤道部位的最優模型預測性能，赤道部位SNVPLSR 模型和全局MSC-LSSVM 模型對整個蜜桔糖度預測效果比較好，最佳模型的預測集相關系數Rp可達0.946。上述結果表明不同的預處理方法和建模方法對其糖度預測效果有影響。為了進一步提高模型的預測性能同時消除冗余變量，利用CARS 和UVE 算法對蜜桔3 個局部和全局的光譜數據進行特征波長篩選，并分別對篩選后的光譜數據建立PLSR 和LSSVM 模型。對用特征波長建立的模型進行對比分析后發現，最佳糖度預測模型為全局MSC-CARS-LSSVM 模型，其Rp為0.955，RMSEP 為0.395OBrix。其次是赤道部位的SNV-PLSR 模型，其Rp為0.936，RMSEP為0.37OBrix。兩個模型的預測精度均很高且接近，因此可以將赤道部位作為涌泉蜜桔糖度最佳檢測位置。上述研究結果同時表明，對于大多數模型來說，經過UVE 算法篩選后的模型預測精度不如用CARS 算法篩選后的模型預測精度，但是對于涌泉蜜桔赤道部位的模型來說，采用CASR算法進行波長篩選后，模型預測效果會變差，采用UVE 算法進行特征波長篩選后模型與篩選前模型預測效果相差無幾。因此，在接下來的工作中將重點研究不同的波長篩選算法對蜜桔不同部位的糖度預測模型的影響。除此之外，本次研究中僅使用3 個局部信息仍不能代表整個樣本信息，所以下一步將通過獲取整個樣本區域更加全面的信息來評估本研究結果是否可靠，進一步優化模型。